Loading...
Skip to Content

바이브 코딩 시대를 위한 AI 요구공학 커리큘럼

DreamVibe를 중심으로 하는 2일 완전 실무 가이드
AI 활용으로 인한 변화와 요구공학 기반 AI 협업 전략
Image Description


AI 기반 요구공학 교육 커리큘럼

AI 활용으로 인한 변화와 요구공학 기반 AI협업 전략을 다루며, 요구분석부터 운영/관리까지
전체 흐름 개관과 탐색적 요구공학 실천법을 목표로합니다.

Day 1-1

AI 시대의 요구 분석: 탐색적 요구공학 실천

교육 내용
  • AI 코딩 도구의 현실과 한계 인식
  • 탐색적 요구공학 프레임워크
  • 맥락 중심 프롬프트 구성법
활용 도구

Deep Research, ChatGPT, Jira AI

Day 1-2

설계 (아키텍처 & 도메인 모델링)

교육 내용
  • AI 협업 아키텍처 설계
  • DDD 이벤트 스토밍 기법
  • Clean Architecture 적용
활용 도구

MSAEZ, Cursor IDE, ChatGPT

Day 1-3

구현 (개발 및 코딩)

교육 내용
  • 맥락 중심 AI 페어 프로그래밍
  • Agentic 코딩 실습
  • 클린 코드 & 리팩토링
활용 도구

GitHub Copilot, Cline, OpenAI Codex

Day 2-1

테스트 (테스트 및 QA)

교육 내용
  • 요구사항 기반 자동 테스트 생성
  • AI-TDD 실현
  • AI QA 보조 시스템
활용 도구

QodoAI, Playwright, Diffblue Cover

Day 2-2

운영 (배포, 모니터링)

교육 내용
  • 요구사항 기반 CI/CD 자동화
  • AIOps 지능형 운영
  • 요구사항 기반 지식 관리
활용 도구

MSAEZ, Harness.io, Datadog AI

Day 2-3

AI 시대 프로젝트 관리: 요구공학 중심 접근

교육 내용
  • 목표 기반 점진적 구현
  • 요구-테스트-코드 추적성 관리
  • AI 협업 품질 관리
활용 도구

Jira AI, MS Copilot, Notion AI


세부 커리큘럼

Day 1-1
AI 시대의 요구 분석: 탐색적 요구공학 실천
  • AI 코딩 도구의 현실과 한계: GitHub 연구 결과 (55% 속도 향상 vs 40% 보안 취약점), GitClear 분석 (AI 도입 후 copy-paste 코드 급증), 추적성 부족 문제를 통해 명확한 목적과 맥락의 중요성 인식
  • 탐색적 요구공학 프레임워크: 전통적 '완벽한 사전 계획' 방식의 한계를 넘어 '계획'에서 '탐색과 피드백'으로 전환. 비즈니스 목표(초기 명확화), 기능 요구사항(점진적 구체화), 제약조건, 맥락의 구분과 활용법
  • AI 협업 실천 전략: 맥락 중심 프롬프트 구성법, 점진적 구현과 피드백 루프, 명확한 검증 기준 사전 정의를 통한 AI와의 효과적 협업 방안 도출
Day 1-2
설계 (아키텍처 & 도메인 모델링)
  • 요구공학 기반 AI 설계: 마이크로서비스 아키텍처(MSA) 설계에 요구사항과 제약조건을 명확히 입력하여 AI 권고안을 활용. 비즈니스 목표를 바탕으로 최적의 설계 패턴이나 아키텍처 프레임워크를 추천받아 맥락에 부합하는 설계 도출
  • 도메인 모델링: DDD 이벤트 스토밍 기법에 AI 협업을 도입. MSAez 도구를 통해 이해관계자와 온라인 이벤트 스토밍을 실시하고, 명확한 비즈니스 목표와 제약조건을 반영한 도메인 모델로 경계 컨텍스트를 식별
  • Clean Architecture 적용: 요구사항 추적성을 고려한 AI 레이어드 아키텍처 템플릿 활용으로 의존성 규칙을 준수하면서 설계
Day 1-3
구현 (개발 및 코딩)
  • 맥락 중심 AI 페어 프로그래밍: OpenAI Codex/GPT 기반 코드 생성에 충분한 비즈니스 맥락과 제약조건을 제공하여 보일러플레이트 코드를 자동 작성하고, 개발자는 핵심 로직에 집중. 요구사항 추적이 가능한 코드 생성으로 품질 향상
  • Agentic 코딩: 최신 AI 코딩 도구들의 멀티스텝 문제 해결 능력을 활용하되, 명확한 목표와 검증 기준을 사전 정의하여 계획 수립 → 코드 작성 → 테스트 실행 → 버그 수정까지 자율적으로 반복
  • 클린 코드 & 리팩토링: AI 코드리뷰 기능으로 일관성 있는 코딩 스타일 유지 및 자동 리팩터링, 요구사항 대비 코드 품질 검증
Day 2-1
테스트 (테스트 및 QA)
  • 요구사항 기반 자동 테스트 생성: AI가 비즈니스 목표와 수용 기준을 바탕으로 단위 테스트부터 통합·시나리오 테스트까지 광범위한 테스트 케이스를 생성해 테스트 커버리지를 높임. 요구사항 추적이 가능한 테스트로 누락되는 경우를 줄임
  • AI-TDD (Test-Driven Development): 명확한 검증 기준을 바탕으로 개발자가 테스트 코드를 작성하면 AI가 해당 테스트를 통과하는 코드를 생성하거나, 요구사항으로부터 테스트 코드를 먼저 제시해주는 AI-TDD 실현
  • AI QA 보조 시스템: AI가 코드 변동을 실시간 모니터링하여 요구사항 대비 잠재 버그나 취약점을 즉각 지적
Day 2-2
운영 (배포, 모니터링)
  • 요구사항 기반 CI/CD 및 배포 자동화: AI가 비기능 요구사항(성능, 보안, 가용성)을 반영한 인프라 설정과 배포 스크립트를 자동 생성. MSAez는 요구사항이 반영된 설계 모델로부터 각 마이크로서비스의 Dockerfile, Kubernetes YAML, CI/CD 파이프라인을 즉시 생성
  • - AIOps (지능형 운영): 운영 단계에서는 AI가 비즈니스 목표 달성 지표를 포함한 로그와 모니터링 지표를 지속 분석하여 이상 탐지 및 예측을 수행. 실시간 성능 저하나 장애 징후를 포착하면 자동 알림 및 롤백
  • 요구사항 기반 지식 관리: AI가 릴리스 노트와 변경 내역을 요구사항 추적성과 연결하여 자동 문서화를 지원하고, 챗봇이 비즈니스 맥락을 이해한 사용자 문의 대응이나 운영 매뉴얼 제공
Day 2-3
AI 시대의 프로젝트 관리: 요구공학 중심 접근
  • 목표 기반 점진적 구현 프로세스: PM 단계에서 AI는 명확한 비즈니스 목표를 바탕으로 초기 인터뷰나 요구사항 설명을 토대로 초안 프로젝트 플랜이나 백로그를 자동 생성. 요구사항 중심의 프로젝트 챠터나 에픽 작성으로 기획 속도 향상. 탐색적 요구공학 사이클(목표 설정→제약 식별→반복적 탐색→지속적 검증) 적용
  • 요구-테스트-코드 추적성 관리: 요구사항 ID를 소스 코드 커밋과 테스트 케이스에 연결하여 AI가 생성한 결과물도 원래 요구사항과의 연결고리 확보. 요구사항 변경 시 관련 코드와 테스트를 빠짐없이 업데이트하는 변경 관리 절차 확립
  • AI 협업 품질 관리: AI 분석으로 산출한 개발 Velocity, 결함률 등의 지표를 요구사항 충족도와 연계하여 정확한 리소스 산정. 피드백 루프 최적화(주간 사이클: 목표 설정→AI 협업→검증→계획 수정)를 통한 지속적 품질 향상

교육을 신청하시거나 질문이 있으면 언제든지 연락 주세요.